高光谱影像具有丰富的空间与光谱信息，在环境监测、土地利用分析等领域广泛使用。然而，高光谱影像变化检测通常依赖大量像素级标注，样本获取与制作成本较高。小样本学习为降低标注依赖提供了可行途径，但现有方法多面向单模态或同质域场景，当借助标注相对充分的高分辨率遥感影像向高光谱目标域迁移知识时，不同传感器、光谱维度、空间分辨率和成像条件所带来的域偏移会显著影响迁移效果。同时，固定卷积核或注意力对复杂空间-光谱非线性关系的建模能力仍然有限。
针对上述难题，论文提出一种面向跨域小样本高光谱影像变化检测的对抗式KAN网络（AKAN-FSL）框架，将Kolmogorov-Arnold网络（KAN）与对抗式域对齐相结合。方法以甚高分辨率影像作为源域、高光谱影像作为目标域，首先通过映射层完成特征维度对齐，再由共享的KAN特征生成模块（KAN-FGM）同时承担小样本学习与对抗域对齐中的特征生成任务。训练过程中，源域与目标域交替进行小样本学习，利用支持集构建类别原型，并依据查询样本与原型之间的距离完成类别判别。同时，由局部卷积、坐标感知分组注意力和Transformer组成的多尺度判别器（MSD）提供对抗反馈，引导目标域特征向源域分布对齐。训练完成后，模型基于少量目标域标注样本构建分类器，生成变化检测图。
实验以Google数据集作为源域，并在Santa Barbara、Bay Area和Hermiston三个公开高光谱变化检测数据集上进行验证。在目标域标注样本十分有限的条件下，AKAN-FSL与多种代表性小样本及跨域方法相比取得了优越的整体性能，并在多项关键评价指标上表现突出。从变化检测结果图来看，AKAN-FSL能够较好地保持变化区域的完整性，并减少误检和碎片化现象。
上述研究由我院高红民教授、2025级博士研究生费书宇共同完成。相关成果以“AKAN-FSL: Adversarial Kolmogorov–Arnold Network for Cross-Domain Few-Shot Hyperspectral Image Change Detection”为题，于2026年9月正式发表于国际权威期刊《IEEE Transactions on Image Processing》（TIP），DOI为10.1109/TIP.2026.3733415。该期刊为中国计算机学会（CCF）推荐A类期刊。